Comment puis-je effectuer une modélisation d'apprentissage automatique à l'aide du script Python JMP18 ?Bonjour,
Je travaille sur la création d'un modèle LightGBM à l'aide d'un script JMP Python (JMP18).
Ma configuration actuelle est la suivante :
- Variables X : fichier "train1.csv", colonnes D1 à D1776
- Variable Y : fichier "y1.csv", colonne "Activité"
- Cible de prédiction « Activité » : fichier « test1.csv », colonnes D1 à D1776
- Remarque : Fichier d'origine "train_original.csv", colonnes Activité jusqu'à D1776. de Kaggle.com ( Prédire une réponse biologique)
J'apprécierais que quelqu'un puisse fournir des conseils sur les problèmes suivants :
- Impossible d'effectuer la modélisation LightGBM dans l'environnement python JMP18
J'ai inclus mon script JMP Python ci-dessous pour votre référence. Voir ce qui suit pour plus de détails.
Merci pour votre temps d'avance! : )
import jmp
import jmputils
# update to latest version of pip (Package Installer of python) and setuptools then install numpy & pandas
jmputils.jpip('install --upgrade', 'pip setuptools')
jmputils.jpip('install', 'pandas numpy scikit-learn keras lightgbm')
# Import package
import numpy as np # linear algebra
import pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv)
# Load data
train1 = pd.read_csv('D:/steve.kim/Kaggle/BI Biological Response/train1.csv')
y1 = pd.read_csv('D:/steve.kim/Kaggle/BI Biological Response/y1.csv')
test1 = pd.read_csv('D:/steve.kim/Kaggle/BI Biological Response/test1.csv')
train1.head() # No Result in JMP, but it's okay. It's fine to open the datatable using 'jmp.open'
y1.head() # No Result in JMP, but it's okay. It's fine to open the datatable using 'jmp.open'
# train1 = jmp.open('D:/steve.kim/Kaggle/BI Biological Response/train1.csv')
# y1 = jmp.open('D:/steve.kim/Kaggle/BI Biological Response/y1.csv')
# 01 Modeling training - Library import
from lightgbm import LGBMClassifier
# 02 Modeling training - LGBM Baseline model without hyperparameter tuning
lgb = LGBMClassifier()
# 03 Modeling training - define X (factors) and Y (responses) variables
lgb.fit(train1, y1) # lightgbm.basic.LightGBMError: Length of labels differs from the length of #data
# 04 Predict
predslgb = lgb.predict_proba(test1)
Modélisation prédictive et apprentissage automatiqueRe : Comment puis-je effectuer une modélisation d'apprentissage automatique (LGBM) à l'aide du script Python JMP18 ?Oh... Le code 'head()' fonctionne bien après que je le considère comme un environnement de terminal et non comme le notebook Jupyter !
y1 = pd.read_csv('D:/steve.kim/Kaggle/BI Biological Response/y1.csv')
print(y1.head()) alors je peux obtenir le résultat du code à partir du journal intégré !
Je pense donc que je peux également résoudre le reste des choses.
Activity
0 1
1 1
2 1
3 1
4 1
Re : Comment puis-je effectuer une modélisation d'apprentissage automatique à l'aide du script Python JMP18 ?
Désolé pour cette question !
Les pandas python et lightGBM fonctionnent bien dans le script python JMP18 ! : )
import jmp
import jmputils
# update to latest version of pip (Package Installer of python) and setuptools then install numpy & pandas
jmputils.jpip('install --upgrade', 'pip setuptools')
jmputils.jpip('install', 'pandas numpy scikit-learn keras lightgbm')
# Checking package version
jmputils.jpip('list')
# Import package
import numpy as np # linear algebra
import pandas as pd # data processing, CSV file I/O (e.g. pd.read_csv)
# Any results you write to the current directory are saved as output.
import os
print (os.listdir("D:/steve.kim/Kaggle/BI Biological Response"))
# Load data
train_x = pd.read_csv('D:/steve.kim/Kaggle/BI Biological Response/train_x.csv')
print(train_x.head())
train_y = pd.read_csv('D:/steve.kim/Kaggle/BI Biological Response/train_y.csv')
print(train_y.head())
test_x = pd.read_csv('D:/steve.kim/Kaggle/BI Biological Response/test_x.csv')
print(test_x)
# Modeling
from lightgbm import LGBMClassifier
lgb = LGBMClassifier(colsample_bytree=0.6, subsample=0.8)
lgb.fit(train_x, train_y)
preds_lgb = lgb.predict_proba(test_x)
sub_lgb = pd.read_csv('D:/steve.kim/Kaggle/BI Biological Response/test_y.csv')
sub_lgb["Activity"] = preds_lgb[:,1]
print(sub_lgb.head())
test_answer = pd.read_csv('D:/steve.kim/Kaggle/BI Biological Response/test_answer.csv')
# Evaluation
from sklearn.metrics import mean_absolute_error, mean_squared_error, mean_absolute_percentage_error
print('LightGBM MAE')
print(mean_absolute_error(test_answer, sub_lgb))
print('LightGBM MSE')
print(mean_squared_error(test_answer, sub_lgb))
